> **来源：[研报客](https://pc.yanbaoke.cn)** # 存储需求与范式改进分析报告 ## 核心内容概述 随着AI推理需求的爆发，存储技术正经历从单一层级向高带宽、大容量、分级管理的协同架构演进。存储不仅是大模型推理的核心瓶颈，而且其性能提升对推理效率和成本控制具有决定性影响。同时，存储与计算的关系由传统解耦逐步走向协同优化。 ## 主要观点 - **存储是AI推理的核心瓶颈**：大模型推理过程中，存储需求主要由模型权重、KV Cache、激活值、RAG向量库和Token的长期落盘构成，其中KV Cache是显存占用和带宽消耗的核心因素。 - **存储需求爆发**：随着模型参数规模扩大、上下文长度增加和并发请求的提升，推理侧存储需求呈现显著的非线性增长，预计未来在数据中心中，推理存储需求占比将超过训练。 - **存储与计算协同优化**：为了应对存储瓶颈，产业界正推进高带宽存储器解决方案（如HBM、WOW 3D堆叠DRAM、HBF）和分级存储管理系统（如CXL内存池化技术、Prefill和Decode的分机柜部署）。 - **“以存代算”是必然趋势**：提升存储带宽和容量可以显著增强推理性能，降低推理成本，成为AI硬件板块中短期业绩确定性最强的方向。 ## 关键信息 ### 存储需求对比 | 阶段 | 存储需求特征 | 存储介质 | |------------|----------------------------------------|------------------------------------| | **训练** | 计算密集型，数据总量可控，但存储容量需求极大 | HDD/SSD（训练数据）<br>HBM/GDDR（模型参数、激活值、梯度）<br>DRAM（扩展内存） | | **推理** | 延迟敏感型，存储需求由“规模扩张”与“动态波动”共同驱动 | HBM（模型权重+活跃KV Cache）<br>DRAM（非活跃KV Cache）<br>SSD（模型权重副本、索引、冷数据）<br>HDD（长期日志、备份） | ### 存储需求增长预测 | 年份 | 传统业务(EB) | AI训练(EB) | AI推理(EB) | |------|--------------|------------|------------| | 2025 | 160 | 40 | 80 | | 2026 | 210 | 50 | 210 | | 2027 | 260 | 60 | 390 | | 2028 | 270 | 60 | 540 | | 2029 | 300 | 70 | 830 | | 2030 | 330 | 80 | 1150 | | 2031 | 360 | 90 | 1480 | ### 存储瓶颈与性能指标 - **主要瓶颈**：存储带宽与访存延迟。 - **关键性能指标**： - **TTFT（Time to First Token）**：首字延迟，由Prefill阶段决定。 - **TPS（Token Per Second）**：生成速度，由Decode阶段决定。 ### 存储优化方案 1. **高带宽存储器**： - **HBM**：HBM3和HBM3e已广泛应用，HBM4已进入量产，预计2027年HBM4E将量产。 - **WOW 3D堆叠DRAM**：提升带宽，降低延迟。 - **HBF**：将KV Cache存储于HBF，减轻GPU和HBM的负担。 2. **存储分级管理**： - **CXL内存池化技术**：实现全局共享内存池，支持GPU动态借用内存。 - **Prefill与Decode分机柜部署**：分离计算密集型与访存密集型任务，提升系统效率。 3. **模型优化**： - **量化技术**：如INT8、INT4、FP8等，显著降低存储体积。 - **分组查询注意力（GQA）与多查询注意力（MQA）**：减少KV Cache占用。 - **PagedAttention**：动态分配KV Cache，提升并发能力。 - **Chunked Prefill**：分块处理长文本输入，避免显存溢出。 ## 投资建议 - **弹性模组及主控**：德明利、江波龙、佰维存储、大普微、联芸科技。 - **存储芯片**：兆易创新、普冉股份、东芯股份、北京君正、澜起科技、聚辰股份、恒烁股份。 - **设备**：微导纳米、拓荆科技、中微公司、精智达、华海清科、中科飞测、京仪装备、骄成超声、百傲化学、北方华创。 - **光刻机产业链**：茂莱光学、汇成真空、波长光电、阿石创、联合化学、富创精密、永新光学。 ## 风险提示 1. **长鑫长存产能释放加剧竞争**。 2. **AI CAPEX不及预期**。 3. **数据更新不及时，模型测算偏差**。 ## 存储技术演进趋势 | 技术世代 | 主要供应商 | 主要特点 | |----------|------------|----------| | HBM/HBM2 | SK hynix | 基础存储技术 | | HBM2E | SK hynix, SAMSUNG | 提升带宽 | | HBM3 | SK hynix, SAMSUNG | 增加容量 | | HBM3E | SK hynix, SAMSUNG, micron | 更高带宽和容量 | | HBM4 | SK hynix, SAMSUNG | 量产，带宽>2TB/s，容量36-64GB | | HBM4E | 未明确 | 技术展示与研发中，预计2027年量产 | | HBM5 | 未明确 | 未来发展方向 | ## 存储与计算关系演进 - **传统冯·诺依曼架构**：计算与存储分离，导致内存墙问题。 - **AI推理场景**：存储与计算逐步走向协同优化，通过存储分级、多层缓存、近存计算等方式提升系统性能。 ## 结论 存储在AI推理中扮演着至关重要的角色，其带宽与容量的提升将直接推动推理性能的增强与成本的降低。“以存代算”趋势明确，未来存储技术将持续向高带宽、大容量和分级管理方向演进，成为AI硬件板块中业绩确定性最强、估值潜力最大的方向。